面向社交媒体自夸分类的解耦与鲁棒表示学习
计算与语言
2022-10-28 v1
摘要
研究社交媒体上的自夸行为引起了计算（社会）语言学家的兴趣。然而，现有的自夸分类数据集存在严重的数据不平衡问题。由于标注数据平衡的数据集代价高昂，大多数方法引入外部知识来改进模型学习。尽管如此，这些方法不可避免地会引入来自外部知识的噪声和无关信息。为了克服这一缺点，我们提出了一种基于解耦的表示增强与领域感知对抗策略的新型自夸分类方法。具体而言，模型学习解耦并重构表示，通过基于解耦的表示增强生成增强特征。此外，领域感知对抗策略旨在约束增强特征的领域以提高其鲁棒性。实验结果表明，与其他方法相比，我们的方法达到了 SOTA 性能。
引用
@article{arxiv.2210.15180,
title = {Disentangled and Robust Representation Learning for Bragging Classification in Social Media},
author = {Xiang Li and Yucheng Zhou},
journal= {arXiv preprint arXiv:2210.15180},
year = {2022}
}